基于块的Mean-shift跟踪算法

针对传统Mean-shift跟踪算法在目标发生遮挡和形态变化时跟踪性能下降的缺点,提出了一种基于块的Mean-shift跟踪算法,该算法主要特点有:1)将跟踪目标平均分块,每小块独立进行传统Mean-shift跟踪,利用小块跟踪未被遮挡的目标部分;2)跟踪检测器检测目标小块跟踪的有效性,筛选出无效跟踪的目标小块,解决了目标分块造成跟踪性能下降的问题;3)归一化互相关检测器和邻域一致检测增加了对目标空间信息的检测,弥补了Mean-shift算法的局限性,增加了跟踪的鲁棒性。实验表明,该算法在目标发生遮挡和形态变化时仍然可以有效地实现跟踪。

基于Mean-shift跟踪算法的汽车运行物体目标监测分析

为了提高汽车对前方运动物体的识别能力,开展基于Mean-shift跟踪算法的汽车运行物体目标监测分析。进行双目标定时,将相机内参数代入MATLAB软件中来完成双目标定的过程,获得相机位置数据。完成标定之后,再校正图像。现场测试得到,计算出目标点和汽车之间的位置测试距离和设定距离基本一致,最大误差不超过5%。当距离增大后,目标点更易在左右图像内完成特征点匹配,实现误差降低的目标,并在距离等于5m处达到最小的误差。采用所提算法可以精确跟踪运动目标,并且显示即使物体受到遮挡的情况下也可以完成跟踪的目标,表明算法是可靠的。

一种自适应色彩融合的Mean-Shift跟踪算法

针对现有的Mean-Shift算法使用单纯的颜色特征不能适应光线及背景的变化,易受颜色相近物体干扰的问题,提出了自适应色彩融合方法来提高跟踪性能。对背景以极坐标的形式进行不等间隔采样,以融合后的目标直方图与背景直方图具有最小相似性为原则搜索色调与饱和度的最佳线性融合系数;考虑背景与目标的渐变,跟踪过程中在最佳融合系数的自适应调整邻域内调整融合系数;能够有效处理相似物体和颜色相近的大背景带来的干扰。视频序列跟踪结果表明,提出的方法能够实时、稳定地进行跟踪。

Mean-Shift跟踪算法中核函数窗宽的自动选取

传统核窗宽固定的Mean-Shift跟踪算法不能很好地对逐渐增大尺寸的目标进行有效的跟踪.在分析同一目标在不同尺度下核直方图基于Bhattacharyya系数相似性的基础上,发现并证明了在核窗宽固定的条件下,目标在其窗宽范围内进行缩放、平移运动并不影响Mean-Shift跟踪算法空间定位的准确性.在此基础上,提出了一种基于后向跟踪、形心配准的核窗宽自动选取算法.对尺度渐大的车辆进行的跟踪实验验证了该算法的有效性.

结合Kalman滤波器的Mean-Shift跟踪算法

针对经典Mean-Shift算法要求相邻两帧间目标模板区域必须重叠的缺陷,结合Kalman滤波器,提出了改进算法。算法首先将Kalman滤波器预测的目标位置作为Mean-Shift算法中的初始搜索中心进行跟踪,然后再将Mean-Shift算法得到的新的目标位置作为下一帧Kalman滤波器的输入参数,循环执行。实验证明,该算法能够解决由于目标运动速度突然变化以及目标快速运动情况下所带来的相邻两帧间目标模板区域非重叠问题,而且对于一般的遮挡问题也能得到较好的效果。

基于距离信息的Mean-Shift跟踪算法

针对图像制导目标跟踪系统在跟踪过程中,成像视角和距离的变化带来的跟踪漂移问题,提出了利用距离信息动态更改Mean-Shift算法跟踪窗口尺度的算法。依据初始跟踪时选定的目标模板,建立目标的灰度特征模型,确定初始跟踪窗口尺度;在跟踪过程中依据距离信息来动态更新跟踪窗口尺度,保证在跟踪系统逐渐接近目标的过程中跟踪窗口能够完全包括或者绝大部分包含目标;在每一帧跟踪收敛后利用Bhattacharyya相关系数对目标模板进行非线性更新。以Vega产生的模拟飞行视频数据进行了算法仿真,结果表明:该算法能够适应目标不断膨胀的情况,在很大程度上降低跟踪漂移。

基于边界沙包核函数的Mean-Shift跟踪算法

针对传统的Mean-Shift跟踪算法,使用单个颜色特征定位目标易受相似目标与背景的干扰导致跟踪失败以及跟踪窗口尺寸不能自适应跟踪目标变化的问题,提出一种基于颜色特征与边界特征相融合的目标表示方法和沙包核函数Mean-Shift尺寸自适应算法。在跟踪中,颜色特征和边界特征根据各个特征的可靠性进行实时性更新;同时,在跟踪窗口中心和边界定位的基础上,由候选目标跟踪窗和分块目标跟踪窗的边界距离变化对核窗宽大小进行更新。实验结果表明,该算法目标定位的精确性更高,在目标尺寸增大和减小的情况下,平均每帧耗时比传统的基于矩形窗和椭圆窗自适应跟踪算法更少,提高了跟踪性能,满足实时性要求。

基于预测的多特征融合Mean-Shift跟踪算法

视频监控在生活中的应用已经相当广泛,其中视频目标精确跟踪是计算机视觉中应用较广、难度较大的一部分。在实际视频场景中目标存在复杂的变化,如外形变化、部分遮挡、光照变化等,这对Mean-Shift跟踪算法产生了较大的影响。为了解决上述变化导致的跟踪不准确的问题,融合颜色和Gabor-LBP纹理特征进行Mean-Shift跟踪,并利用二次多项式预测运动目标的位置,以提高跟踪的准确度。

基于角点特征融合的Mean-shift跟踪算法

传统Harris检测算法不能很好地适应跟踪环境。为此,提出一种基于角点特征融合的Mean-shift跟踪算法。考虑人体姿态变化或遮挡对多区域跟踪的影响,采用角点更新策略,将特征融合主色调模型的跟踪结果与多区域跟踪结果进行权衡。实验结果表明,该算法能克服人体姿态变化或遮挡对跟踪的影响,实时性满足一般跟踪系统的要求,且在非遮挡状况下,其跟踪准确率比传统算法高。

核函数带宽自适应的Mean-Shift跟踪算法

为了实现Mean-Shift跟踪算法中的核函数带宽自适应更新,提出基于比较Bhattacharyya系数的新方法。首先用模板中心加权与目标边缘加权的直方图计算巴氏系数,跟踪时用候选目标边缘加权直方图与模板中心加权直方图计算新的巴氏系数,根据两个系数的大小对核带宽进行10%的缩放。实验表明,该方法有效克服了带宽只能缩小的问题,实现了跟踪窗对目标缩放的自适应性。

带宽自适应的Mean-Shift跟踪算法

针对传统Mean-Shift目标跟踪算法在进行物体跟踪时核函数带宽不能实时更新的问题,提出了一种基于比较中心加权直方图与边缘加权直方图的巴氏相似度的带宽自适应算法。首先,手动选取需要跟踪的目标,计算目标模板的中心加权直方图与边缘加权直方图以及二者的巴氏相似度HistDist1;然后,在当前帧通过Mean-Shift迭代找到目标的中心,并计算出候选模板的边缘加权直方图以及目标模板中心加权直方图与候选模板边缘加权直方图的巴氏相似度HistDist2;最后,在设定范围内比较巴氏相似度HistDist1与HistDist2的大小,得到目标的尺寸变化情况。试验结果表明,该算法可以适应尺寸发生变化的目标跟踪,实现了核函数带宽的自适应。

基于分块的核窗宽调整mean-shift跟踪算法

针对传统mean-shift算法核窗宽在跟踪过程中无法根据目标的大小变化进行相应调整问题。本文提出了一种基于分块的核窗宽调整mean-shift跟踪算法。该算法在跟踪窗口中心与目标形心定位的基础上,对跟踪窗进行分块,根据候选目标跟踪窗和分块目标跟踪窗中心距离的变化,对核窗宽的大小进行调整,使得跟踪窗口始终与跟踪目标的大小相匹配。实验表明算法对跟踪变大和变小的目标均取得了较好的跟踪效果。

带宽自适应的Mean-Shift跟踪算法研究

针对图像跟踪中目标的尺度和旋转变化,将Lindeberg的尺度理论与Mean-Shift算法结合起来,提出了一种带宽自适应Mean-Shift跟踪算法。该算法在Mean-Shift的框架下,将尺度和旋转量与平移量同等看待,通过求解核函数带宽,计算出目标的变化参数,最终精确定位目标。另外,引入SAD算法对目标进行先期粗略定位,克服了目标做无规律大位移运动时Mean-Shift算法跟踪效果不佳的问题,同时也降低了Mean-Shift算法的迭代收敛次数。大量实验仿真表明,该算法对目标的仿射变化、非刚性形态变化,以及无规律的大位移运动具有有效性和鲁棒性。

基于PF的窗口自适应Mean-Shift跟踪算法

在视频目标跟踪过程中,Mean-Shift算法存在着核函数带宽固定不变的缺陷,对尺度大小发生变化的目标无法进行有效跟踪。提出一种多尺度理论与粒子滤波器(PF)相结合的改进算法。通过粒子滤波器对多尺度理论统计得到的跟踪窗信息量进行预测修正,据此计算核窗宽大小变化的比例系数,实现跟踪算法的窗口自适应能力。实验结果表明,改进的跟踪算法对尺寸逐渐减小和逐渐增大的目标均能自动选择合适的跟踪窗口大小。

Mean-Shift跟踪算法研究及LabVIEW实现

介绍了Mean-Shift目标跟踪算法的基本原理,针对核函数带宽在跟踪过程中固定不变的问题,给出了改进的Camshift方法,同时,讨论了基于Kalman滤波的目标模型更新算法。利用LabVIEW实现了Mean-Shift目标跟踪算法,实验表明该方法可以对室外场景单个物体和多个物体进行跟踪,可以应用于视频监控领域。

基于多信息融合的Mean-Shift跟踪算法

针对Mean-Shift跟踪算法存在的问题,提出一种以Mean-Shift跟踪器为框架,结合在线学习检测器以及Kalman滤波器的动态目标跟踪算法。利用Mean-Shift跟踪器跟踪目标物,引入在线学习检测器可以在跟踪器跟踪目标失败后,快速检测目标并更新目标模板,通过引入Kalman滤波器能够提高跟踪精度以及检测器的检测速度,最后将三者信息融合,实现对目标物长时间有效跟踪。实验结果中目标重叠度和每秒传输帧数分别在0.70和18帧/s以上,表明:所提算法具有跟踪精度高、实时性强等优点,能够有效解决光照变化,部分遮挡或全部遮挡等导致目标物跟踪丢失的问题。

一种基于空间直方图的Mean-Shift跟踪算法

经典的Mean-Shift跟踪算法以颜色直方图为特征对目标进行跟踪。颜色直方图反映的是图像中颜色的组成情况,即出现了哪些颜色以及各种颜色出现的次数。颜色直方图具有旋转不变性、缩放不变性等优点,经常用于图像检索,即通过比较颜色直方图的差异来衡量两幅图像在颜色全局分布上的差异。但是颜色直方图不能反映颜色的空间分布特征,当跟踪目标与背景色颜色相近时可能造成错误跟踪,导致跟踪失败。考虑目标颜色空间分布特征,将空间分布信息融入颜色直方图中,提出了基于空间颜色直方图的Mean-Shift跟踪方法,全面地反映了颜色的整体分布信息和空间分布信息。在VC6.0上利用新方法和经典Mean-Shift跟踪方法分别对发生遮挡的视频和快速运动的视频进行跟踪,实验结果表明,提出的新方法能够更好地对目标进行跟踪,避免跟踪过程中的目标丢失。

一种基于背景加权直方图的Mean-Shift跟踪算法

经典的Mean-Shift算法以颜色直方图为特征进行跟踪,但在视频目标跟踪中没有有效地利用跟踪目标的空间信息,因而当目标快速移动时,目标极易丢失。针对这一问题,提出了一种基于距离目标形心加权直方图的Mean-Shift跟踪算法。距离目标形心加权直方图可有效利用目标在图像中的位置信息,从而能实现复杂背景下的目标跟踪。并分别用改进的基于距离目标形心加权直方图的Mean-Shift跟踪算法和经典的Mean-Shift跟踪算法,对快速运动的目标进行跟踪实验。结果表明,改进的基于距离目标形心加权直方图的Mean-Shift跟踪算法,具有较强的鲁棒性和实时性,能有效实现复杂场景下的目标实时跟踪。

一种新的基于分块直方图的Mean-Shift跟踪算法

在经典的Mean-Shift算法中使用颜色直方图来描述目标,而这种颜色直方图中却存在大量空的颜色直方图区间,且没有融入图像的空间信息,在遇到与跟踪目标颜色分布相近的背景或目标时会造成跟踪丢失。针对颜色直方图的不足提出一种分块颜色直方图构建方法以融入空间信息,对得到的分块直方图进行简化,去除空闲的直方图区间。实验中对颜色分布相似的物体发生遮挡进行跟踪试验,并与经典Mean-Shift算法跟踪结果进行对比。实验结果表明,这种新算法能更稳定、准确地跟踪目标。

一种针对人体运动目标的Mean-Shift跟踪算法

针对传统的Mean-Shift目标跟踪算法在跟踪人体运动目标时的不足,提出了一种基于Mean-Shift目标跟踪算法的人体目标跟踪方法。该方法首先利用人眼视觉阈值效应和区域生长法检测目标,再用Mean-Shift跟踪算法对目标进行跟踪。实验表明该方法大幅提高了人体运动目标的跟踪精度。